milvus-logo
LFAI
フロントページへ
  • モデル

ノミック

Nomicモデルは、Nomic AIによって開発された一連の高度なテキストおよび画像埋め込みソリューションであり、様々な形式のデータを、その意味的な意味を捉える高密度の数値ベクトルに変換するように設計されています。

MilvusはNomicEmbeddingFunctionクラスを通してNomicの埋め込みモデルと統合します。このクラスは、Nomic埋め込みモデルを用いて文書やクエリをエンコードし、Milvusインデックスと互換性のある密なベクトルとして埋め込みを返すメソッドを提供します。この機能を利用するには、Nomic AtlasからAPIキーを取得してください。

この機能を使用するには、必要な依存関係をインストールします:

pip install --upgrade pymilvus
pip install "pymilvus[model]"

次に、NomicEmbeddingFunctionをインスタンス化します:

# Before accessing the Nomic Atlas API, configure your Nomic API token
import nomic
nomic.login('YOUR_NOMIC_API_KEY')

# Import Nomic embedding function
from pymilvus.model.dense import NomicEmbeddingFunction

ef = NomicEmbeddingFunction(
    model_name="nomic-embed-text-v1.5", # Defaults to `mistral-embed`
)

パラメータ

  • model_name (文字列)

    エンコードに使用するNomicエンベッディングモデルの名前。デフォルトはnomic-embed-text-v1.5 。詳細はNomic公式ドキュメントを参照してください。

ドキュメントの埋め込みを作成するには、encode_documents() メソッドを使います:

docs = [
    "Artificial intelligence was founded as an academic discipline in 1956.",
    "Alan Turing was the first person to conduct substantial research in AI.",
    "Born in Maida Vale, London, Turing was raised in southern England.",
]

docs_embeddings = ef.encode_documents(docs)

# Print embeddings
print("Embeddings:", docs_embeddings)
# Print dimension and shape of embeddings
print("Dim:", ef.dim, docs_embeddings[0].shape)

期待される出力は以下のようなものです:

Embeddings: [array([ 5.59997560e-02, 7.23266600e-02, -1.51977540e-01, -4.53491200e-02,
        6.49414060e-02, 4.33654800e-02, 2.26593020e-02, -3.51867680e-02,
        3.49998470e-03, 1.75571440e-03, -4.30297850e-03, 1.81274410e-02,
        ...
       -1.64337160e-02, -3.85437000e-02, 6.14318850e-02, -2.82745360e-02,
       -7.25708000e-02, -4.15563580e-04, -7.63320900e-03, 1.88446040e-02,
       -5.78002930e-02, 1.69830320e-02, -8.91876200e-03, -2.37731930e-02])]
Dim: 768 (768,)

クエリの埋め込みを作成するには、encode_queries() メソッドを使います:

queries = ["When was artificial intelligence founded",
           "Where was Alan Turing born?"]

query_embeddings = ef.encode_queries(queries)

print("Embeddings:", query_embeddings)
print("Dim", ef.dim, query_embeddings[0].shape)

期待される出力は以下のようなものです:

Embeddings: [array([ 3.24096680e-02, 7.35473600e-02, -1.63940430e-01, -4.45556640e-02,
        7.83081050e-02, 2.64587400e-02, 1.35898590e-03, -1.59606930e-02,
       -3.33557130e-02, 1.05056760e-02, -2.35290530e-02, 2.23388670e-02,
        ...
        7.67211900e-02, 4.54406740e-02, 9.70459000e-02, 4.00161740e-03,
       -3.12805180e-02, -7.05566400e-02, 5.04760740e-02, 5.22766100e-02,
       -3.87878400e-02, -3.03649900e-03, 5.90515140e-03, -1.95007320e-02])]
Dim 768 (768,)

翻訳DeepL

Try Managed Milvus for Free

Zilliz Cloud is hassle-free, powered by Milvus and 10x faster.

Get Started
フィードバック

このページは役に立ちましたか ?